Detekce chodců ve snímku pomocí metod strojového učení

Simple item page
but.committeedoc. Ing. Eduard Janeček, CSc. (předseda) prof. Ing. Petr Pivoňka, CSc. (místopředseda) doc. Ing. Petr Fiedler, Ph.D. (člen) Ing. Radek Štohl, Ph.D. (člen) Ing. Stanislav Klusáček, Ph.D. (člen)cs
but.defenceStudent obhájil diplomovou práci. Reagoval na všechny dotazy komise i na připomínky oponenta.cs
but.jazykangličtina (English)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorHorák, Karelen
dc.contributor.authorTilgner, Martinen
dc.contributor.refereeKlečka, Janen
dc.date.created2019cs
dc.description.abstractTato práce se zabývá detekcí chodců pomocí konvolučních neuronových sítí z pohledu autonomního vozidla. A to zejména jejich otestováním ve smyslu nalezení vhodné praxe tvorby datasetu pro machine learning modely. V práci bylo natrénováno celkem deset machine learning modelů meta architektur Faster R-CNN s ResNet 101 jako feature extraktorem a SSDLite s feature extraktorem MobileNet_v2. Tyto modely byly natrénovány na datasetech o různých velikostech. Nejlépší výsledky byly dosaženy na datasetu o velikosti 5000 snímků. Kromě těchto modelů byl vytvořen nový dataset zaměřující se na chodce v noci. Dále byla vytvořena knihovna Python funkcí pro práci s datasety a automatickou tvorbu datasetu.en
dc.description.abstractThis thesis deals with pedestrian detection using convolutional neural networks from the perspective of autonomous vehicle. Especially by testing these networks in the sense of finding a suitable practice of creating a dataset for machine learning models. A total of ten machine learning models of meta architectures Faster R-CNN with ResNet 101 as a feature extractor and SSDLite with the MobileNet_v2 feature extractor were trained. These models were trained on datasets of various sizes. The best results were achieved on a dataset of 5 000 images. In addition to these models, a new dataset aimed at pedestrians at night was created. Furthermore, a Python library was created for work with datasets and script for automatic creation of dataset.cs
dc.description.markAcs
dc.identifier.citationTILGNER, M. Detekce chodců ve snímku pomocí metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.cs
dc.identifier.other119388cs
dc.identifier.urihttp://hdl.handle.net/11012/177759
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectMachine learningen
dc.subjectDetekce objektůen
dc.subjectDetekce chodcůen
dc.subjectTensorflowen
dc.subjectFaster R-CNNen
dc.subjectSSDLiteen
dc.subjectDataseten
dc.subjectSmall Night Pedestrian Dataseten
dc.subjectMachine learningcs
dc.subjectObject detectioncs
dc.subjectPedestrian detectioncs
dc.subjectTensorflowcs
dc.subjectFaster R-CNNcs
dc.subjectSSDLitecs
dc.subjectDatasetcs
dc.subjectSmall Night Pedestrian Datasetcs
dc.titleDetekce chodců ve snímku pomocí metod strojového učeníen
dc.title.alternativePedestrians Detection in Traffic Environment by Machine Learningcs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2019-06-05cs
dcterms.modified2019-06-06-12:29:45cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid119388en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:37:43en
sync.item.modts2025.01.15 23:46:41en
thesis.disciplineKybernetika, automatizace a měřenícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
8.25 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
494.07 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_119388.html
Size:
5.65 KB
Format:
Hypertext Markup Language
Description:
file review_119388.html
Download
Collections
2019